2023년 마이크로소프트가 떠오른다

Bing의 검색 점유율은 3%에 불과했습니다. 20년간 구글에 밀리기만 했던 MS가 어느 날 ChatGPT를 Bing에 통합했습니다. "검색의 규칙을 바꾸겠다"는 선언과 함께요.

결과는 어땠을까요? 구글이 급히 Bard를 내놓았고, 검색 시장 전체의 패러다임이 흔들리기 시작했습니다.

NVIDIA가 지금 동일한 전략을 구사하고 있습니다. 다만 무대가 자율주행 시장으로 옮겨왔을 뿐입니다.

테슬라라는 견고한 성, NVIDIA라는 새로운 게임

이 구도를 좀 더 깊이 들여다볼 필요가 있습니다.

테슬라의 FSDFull Self-Driving는 구글 검색과 닮아 있습니다. 압도적인 데이터 우위와 수직통합 전략으로 시장을 장악하고 있습니다. 테슬라는 전 세계 900만 대 이상의 차량에서 주행 데이터를 수집합니다. 이 규모는 경쟁사가 따라올 수 없는 '데이터 해자'입니다. 구글이 수십억 건의 검색 쿼리로 알고리즘을 정교하게 다듬었듯, 테슬라는 수십억 마일의 실제 주행 데이터로 FSD를 훈련시킵니다.

젠슨 황조차 블룸버그 인터뷰에서 이렇게 인정했습니다.

"테슬라 스택은 세계에서 가장 진보한 자율주행 시스템입니다. 비판하기 어려운 기술이에요."

그렇다면 NVIDIA는 무엇으로 이 견고한 성에 도전하려는 걸까요?

MS가 ChatGPT라는 외부 기술을 들여와 '대화형 검색'이라는 새로운 경쟁 축을 만들었듯, NVIDIA는 '오픈 플랫폼'이라는 완전히 다른 게임을 제안하고 있습니다. MS가 Bing 자체로는 구글을 이길 수 없다는 것을 인정하고 ChatGPT라는 지렛대를 활용했듯, NVIDIA도 자율주행 소프트웨어 자체로 테슬라를 이기려 하지 않습니다. 대신 테슬라를 제외한 나머지 모든 자동차 회사를 자신의 생태계로 끌어들이려 합니다.

두 진영의 전략을 한눈에 정리하면 이렇습니다.

결정적 차이 - '반응'하는 AI vs '추론'하는 AI

두 시스템의 차이를 이해하려면 작동 원리를 들여다봐야 합니다.

테슬라 FSD는 '패턴 매칭'에 기반합니다. 수십억 마일의 주행 영상을 학습한 신경망이 카메라 입력을 받아 곧바로 조향·가속·제동 명령을 출력합니다. 중간에 "왜 이 판단을 내렸는가"를 설명하는 과정이 없습니다. 인간으로 치면 '무의식적 반사'에 가깝습니다. 일리노이대 Katherine Driggs-Campbell 교수는 이를 "입력 이미지와 출력 행동을 수많은 예시로 연결하는 전통적 딥러닝 접근"이라고 설명합니다.

장점은 속도와 효율입니다. 연산 부하가 적고 실시간 반응이 빠릅니다. 그러나 치명적 약점이 있습니다. 왜 그런 판단을 했는지 아무도 모릅니다. 사고가 나면 원인 분석이 어렵고, 규제 당국에 설명하기도 난감합니다. 이른바 블랙박스 문제입니다.

Alpamayo는 'Chain-of-Thought 추론'을 채택합니다. 100억 파라미터의 Vision-Language-Action(VLA) 모델이 영상을 분석하고, 주행 궤적을 생성하기 전에 "왜 이 행동이 안전한가"를 텍스트로 추론합니다.

예를 들어, 고장 난 신호등 앞에서 Alpamayo는 이렇게 '생각'합니다.

"전방에 신호등이 작동하지 않는다 → 교차로에 진입 중인 차량이 있다 → 우선권 판단이 필요하다 → 일단 정지 후 상황을 확인한다"

이 추론 과정이 'reasoning trace'로 기록됩니다. 사고가 발생하면 AI가 왜 그런 결정을 내렸는지 복기할 수 있습니다. 규제 당국이 가장 원하는 것이 바로 이 투명성입니다.

정리하면 이렇습니다.

흥미로운 점은 테슬라도 이 방향으로 진화하고 있다는 것입니다. ICCV 2025에서 테슬라는 차세대 FSD를 "reasoning-augmented driver"로 소개했습니다. 머스크가 "그게 바로 테슬라가 하고 있는 것"이라고 반응한 배경이기도 합니다. 결국 두 진영이 같은 방향으로 수렴하고 있다는 신호입니다.

다만 결정적 차이가 남습니다. 테슬라는 폐쇄형으로 자사만 사용하고, NVIDIA는 오픈소스로 모두에게 공개합니다. 기술 철학의 차이가 비즈니스 모델의 차이로 이어지는 지점입니다.

그런데 여기서 한 가지 질문이 떠오릅니다. Alpamayo의 '추론하는 AI'가 정말 테슬라의 '데이터 해자'를 넘어설 수 있을까요? 이 질문에 답하려면 2017년으로 거슬러 올라가야 합니다.

알파고 제로가 이미 증명한 것

2017년, 알파고 제로는 인간의 기보 데이터 없이 스스로 바둑을 두며 세계 최강에 올랐습니다. 기존 알파고가 수천 년간 축적된 인간의 기보를 학습했던 것과 달리, 알파고 제로는 바둑의 규칙만 주어진 채 자기 자신과 대국하며 원리를 터득했습니다.

이 실험이 증명한 핵심은 이것입니다.

"방대한 경험 데이터가 아니라 원리를 학습하면, 본 적 없는 상황도 해결할 수 있다."

Alpamayo가 추구하는 방향이 정확히 이것입니다.

테슬라는 30억 마일의 실제 주행 데이터로 "이런 상황에서는 이렇게 하라"를 학습시킵니다. 그러나 세상의 모든 상황을 데이터로 커버하기란 불가능합니다. 머스크 자신이 말한 '롱테일 문제'가 바로 이것입니다. 99%는 쉽지만, 나머지 1%의 희귀 상황이 끝없이 나타납니다.

Alpamayo는 다른 접근을 취합니다. 1,700시간의 데이터는 테슬라에 비하면 미미하지만, Chain-of-Thought 추론으로 "왜 이것이 안전한 선택인가"를 스스로 논증합니다. 알파고 제로가 인간이 생각지 못한 새로운 수를 발견했듯, Alpamayo는 학습 데이터에 없는 상황에서도 원리에 기반해 판단할 수 있다는 것이 NVIDIA의 주장입니다.

젠슨 황이 이를 "Physical AI의 ChatGPT 모멘트"라고 부른 이유입니다. ChatGPT가 언어의 원리를 학습해 본 적 없는 질문에도 답하듯, Alpamayo는 주행의 원리를 학습해 본 적 없는 상황에서도 추론하겠다는 것입니다.

물론 이것이 실제로 작동할지는 아직 검증되지 않았습니다. 알파고 제로의 바둑판은 19×19의 완전정보 게임이었지만, 도로 위는 무한한 변수가 존재하는 불완전정보 환경입니다. 그러나 방향성만큼은 분명합니다. '더 많은 데이터'에서 '더 깊은 추론'으로. 자율주행 AI의 패러다임이 전환되고 있습니다.

머스크의 반응에서 읽히는 것

흥미로운 건 머스크의 반응입니다. NVIDIA 발표 직후, 머스크는 X에 이렇게 썼습니다.

"그게 바로 테슬라가 하고 있는 것인데 😂. 99%까지 도달하는 건 쉽지만, 나머지 1%의 롱테일을 해결하는 건 엄청나게 어렵다는 걸 알게 될 겁니다."

그러면서도 이례적으로 이렇게 덧붙였습니다. "솔직히 그들이 성공하길 바랍니다."

머스크가 경쟁사에 이런 말을 하는 경우는 드뭅니다. 이는 두 가지를 시사합니다.

첫째, NVIDIA의 접근법이 기술적으로 유효하다는 것을 인정한 것입니다. 테슬라 역시 2023년 FSD V12에서 end-to-end 신경망 방식으로 전환했는데, NVIDIA가 같은 방향으로 온 셈입니다.

둘째, 동시에 "5~6년은 걸릴 것"이라며 시간적 해자를 강조했습니다. 테슬라는 이미 수년간 실제 도로에서 데이터를 쌓아왔고, 레거시 OEM들이 카메라와 AI 컴퓨터를 차량에 설계해 탑재하는 데만 몇 년이 더 걸린다는 논리입니다.

승부의 향방

단기적으로는 테슬라의 우위가 유지될 가능성이 높습니다. New Street Research의 애널리스트 Pierre Ferragu는 CES 2026 이후 분석에서 "NVIDIA의 전략이 오히려 테슬라 접근법을 검증해줬다"고 평가하며, 경쟁사들이 테슬라를 따라잡는 데 12년이 걸릴 수 있다고 전망했습니다.

그러나 장기적으로는 다른 그림이 그려질 수 있습니다.

MS-구글 구도에서 MS가 노린 것은 구글을 단숨에 제치는 것이 아니었습니다. 검색 시장의 규칙 자체를 바꾸는 것이었습니다. '링크 나열'에서 '대화형 응답'으로요.

NVIDIA도 마찬가지입니다. 테슬라를 직접 이기려는 게 아닙니다. 자율주행 시장의 구조를 '단일 수직통합 기업의 독주'에서 '플랫폼 기반 생태계 경쟁'으로 전환시키려는 것입니다.

메르세데스-벤츠, JLR, 루시드, 우버가 이미 파트너로 합류했습니다. 이들 중 단 하나라도 테슬라에 근접한 수준의 자율주행을 구현한다면, 시장의 역학은 달라집니다.

라스베이거스에서 돌아오며 생각한 것들

이번 CES 2026 현장을 직접 걸으며 느낀 점이 있습니다. Mercedes-Benz는 Xperi 부스에서 신형 CLA를 전시하며 NVIDIA AI 기반 MB.DRIVE 기술을 선보였습니다. 젠슨 황의 키노트에서 발표된 Alpamayo가 실제 양산차에 탑재되어 눈앞에 있었습니다.

그러나 전시장의 관심은 차량 자체보다 그 뒤에 깔린 구도 변화에 쏠려 있었습니다. 며칠간 만난 OEM 관계자들, Tier-1 엔지니어들, 스타트업 창업자들의 대화 주제는 하나로 수렴했습니다. "Alpamayo를 어떻게 볼 것인가."

화려한 콘셉트카보다, 업의 구도가 바뀌고 있다는 기류가 더 강렬하게 남는 CES였습니다.

돌아오는 비행기에서 몇 가지 생각을 정리해 봤습니다.

테슬라를 따라갈 것인가, NVIDIA 생태계에 올라탈 것인가. 전자는 독자성을 지키지만 막대한 시간과 투자가 필요합니다. 후자는 속도를 얻지만 플랫폼 종속이라는 대가가 따릅니다. 그 사이 어디쯤에 우리의 답이 있을 겁니다.

모두가 같은 도구를 쓸 때, 차별화는 어디서 오는가. Alpamayo가 보편화되면 자율주행 소프트웨어 자체는 더 이상 경쟁력이 아닐 수 있습니다. 데이터의 품질, 사용자 경험의 설계, 서비스 생태계와의 통합에서 승부가 갈릴 겁니다.

머스크가 말한 '5~6년'이 지났을 때, 우리는 어디에 서 있을 것인가. 시간적 해자는 영원하지 않습니다. 그 간극이 좁혀지는 시점에 무엇을 준비해 두었느냐가 다음 10년을 결정할 겁니다.

정리하자면,

MS가 ChatGPT로 검색 시장의 규칙을 바꾸려 했듯, NVIDIA는 오픈소스 플랫폼으로 자율주행 시장의 규칙을 재정의하려 합니다.

알파고 제로가 인간이 축적한 지식 없이도 초인적 바둑을 뒀듯, Alpamayo는 경험하지 못한 상황에서도 추론하는 자율주행의 시대를 열고 있습니다.

테슬라는 구글처럼 데이터와 수직통합으로 굳건한 성을 쌓았습니다. NVIDIA는 MS처럼 그 성을 직접 공략하는 대신, 주변의 모든 플레이어를 자기 편으로 만들어 게임의 판 자체를 바꾸려 합니다.

남은 질문은 하나입니다. 이 흐름에 올라탈 것인가, 밀려날 것인가.

참고 자료

• NVIDIA Blog, "CES 2026 Special Presentation" (2026.1.5)
• NVIDIA Newsroom, "Alpamayo Autonomous Vehicle Development" (2026.1.5)
• TechCrunch, "Nvidia launches Alpamayo" (2026.1.5)
• Bloomberg, "Nvidia and Tesla Chase Same Self-Driving Goal" (2026.1.10)
• CNBC, "Tesla CEO Musk brushes off Nvidia competition" (2026.1.7)
• DeepMind, "AlphaGo Zero: Starting from scratch" (2017)
• CBS News, "Microsoft OpenAI ChatGPT Search Engine Bing" (2023.2)

당근마켓에서 시작해봅시다

에어팟을 중고로 팔려고 합니다.

동네 당근마켓에 올렸더니 15만 원에 금방 팔렸습니다. 기분이 좋았습니다.

그런데 나중에 보니까 옆 동네에서는 같은 제품이 20만 원에 거래되고 있었습니다. 5만 원을 덜 받은 겁니다. 이 사실을 몰랐기 때문입니다.

만약 누군가가 "각 동네별 에어팟 시세를 알려줄게, 1천 원만 내"라고 했다면 어땠을까요? 1천 원 내고 정보를 사서 20만 원에 팔았을 겁니다. 4만 원 이득입니다.

이게 "나만 아는 정보"의 힘입니다. 남들이 모르는 걸 알면 돈을 벌 수 있습니다.

그런데 시간이 지나면 모든 사람이 그 정보를 알게 됩니다. 그러면 가격이 비슷해집니다. 더 이상 차이로 돈을 벌 수 없습니다.

그래도 정보를 파는 사람의 장사는 계속됩니다. 왜일까요?

"혹시 나만 모르는 거 아닐까?"라는 불안감 때문입니다. 확인하지 않으면 손해 볼 것 같은 느낌이 듭니다. 그 불안감을 없애주는 것만으로도 가치가 있습니다.

정보 격차는 사라지지 않고 모양만 바뀝니다

기술이 발전하면 정보 격차가 줄어듭니다. 그러면 새로운 형태의 격차가 생깁니다. 이걸 잡는 사람이 다음 승자가 됩니다.

자동차 구매로 예를 들어볼게요.

• 1990년대: 차를 사려면 딜러한테 가야 했습니다. 딜러만 진짜 가격을 알았습니다. 손님은 딜러가 부르는 대로 낼 수밖에 없었습니다. 딜러가 유리했습니다.
• 2010년대: 엔카 같은 사이트가 생겼습니다. 시세가 다 공개됐습니다. 손님이 "인터넷에는 3천만 원인데 왜 여기는 3천5백만 원이에요?"라고 물을 수 있게 됐습니다. 딜러의 유리함이 줄었습니다. 대신 시세를 알려주는 사이트가 돈을 벌었습니다.
• 2025년: 이제 사람들이 ChatGPT한테 물어봅니다. "아이오닉 5랑 테슬라 중에 뭐가 나아?"

여기서 재미있는 일이 생깁니다.

같은 질문인데 답이 다르게 나옵니다.

• "나 출퇴근 거리가 멀어"라고 하면 → "충전소 많은 아이오닉 5가 나아"
• "나 최신 기술 좋아해"라고 하면 → "자율주행은 테슬라가 앞서"
• "우리 가족 4명이야"라고 하면 → "뒷좌석 넓은 아이오닉 5가 나아"

물어보는 사람 상황에 따라 AI가 다른 답을 줍니다.

계산기와 통역사의 차이

왜 이런 일이 생길까요?

예전 기술은 계산기 같았습니다. 2 더하기 2를 누르면 무조건 4가 나옵니다. 누가 눌러도 똑같습니다.

네이버에서 "삼성전자 주가"를 검색하면 모든 사람에게 같은 숫자가 보입니다. 정보가 똑같이 전달됩니다.

AI는 통역사 같습니다. 영어로 "I love you"를 한국어로 바꿔달라고 하면요. 어떤 통역사는 "사랑해"라고 합니다. 다른 통역사는 "당신을 사랑합니다"라고 합니다. 또 다른 통역사는 "정말 좋아해"라고 합니다.

누구한테 말하느냐, 어떤 상황이냐에 따라 다르게 번역합니다.

AI도 마찬가지입니다. 같은 정보를 줘도요. 어떻게 물어보느냐, 어떤 상황인지 알려주느냐, 어떤 AI를 쓰느냐에 따라 다른 답이 나옵니다.

숫자와 글은 다릅니다

이 글에서는 정보를 두 종류로 나눕니다.

숫자 정보를 먼저 볼게요.

이마트 주차장을 위성으로 찍어서 차가 몇 대인지 셉니다. 컴퓨터로 분석하면 "이번 주 방문객 47,250명"이라는 숫자가 나옵니다.

누가 분석해도 같은 숫자가 나옵니다. 모든 사람이 같은 정보를 갖게 됩니다. 그러면 이 정보로는 남들보다 유리해질 수 없습니다.

글 정보는 다릅니다.

회사 사장이 실적 발표하는 영상이 있습니다. 똑같은 영상을 세 사람이 봤습니다.

A는 "사장이 투자 계획을 바꾸려는 것 같아"라고 느꼈습니다. B는 "경쟁사를 의식하는 말투였어"라고 느꼈습니다. C는 "어떤 질문은 일부러 피하던데?"라고 느꼈습니다.

같은 영상인데 다른 걸 발견합니다.

글이나 말은 숫자처럼 딱 떨어지지 않습니다. 보는 사람마다 다르게 해석합니다. 그래서 남들과 다른 생각을 가질 수 있습니다.

자동차 회사로 바꿔볼게요

매달 차가 몇 대 팔렸는지는 모든 회사가 압니다. 숫자니까요. 다 같은 정보를 봅니다. 이걸로는 차별화가 어렵습니다.

그런데 고객 후기를 AI로 분석하면 다릅니다.

제품팀이 보면 "뒷좌석이 좁다는 불만이 많네"가 보입니다.

서비스팀이 보면 "딜러 응대가 별로라는 얘기가 있네"가 보입니다.

마케팅팀이 보면 "테슬라랑 비교하는 글이 늘었네"가 보입니다.

같은 후기인데 다른 게 보입니다. 이게 AI 시대 정보 싸움의 핵심입니다.

새로운 방법이 있습니다

예전에는 정보를 모아서 하나의 답을 찾았습니다.

"우리 고객은 30대 남자야." 이런 식으로요.

흩어진 정보를 정리해서 깔끔한 결론을 내는 게 중요했습니다.

AI 시대에는 다르게 할 수 있습니다.

AI에게 각각 여러 다른 역할을 줍니다.

• 1번 AI: "넌 까다로운 소비자야. 의심 많이 해."
• 2번 AI: "넌 열정적인 팬이야. 좋은 점을 찾아."
• 3번 AI: "넌 경쟁사 직원이야. 약점을 찾아."

또 같은 정보를 주고 각자 분석하게도 합니다.

그래서 세 개 다 같은 말을 하면? 그건 확실한 겁니다. 의견이 갈리면? 더 조사해봐야 합니다.

하나만 발견한 게 있으면? 숨겨진 기회일 수 있습니다.

하나의 정답을 찾는 대신, 여러 답이 어디서 만나고 어디서 갈라지는지 보는 겁니다.

브랜드한테 이게 왜 중요할까

가장 큰 변화는 이겁니다. 브랜드가 하고 싶은 말을 소비자가 그대로 듣지 않을 수 있습니다.

예전에는 이랬습니다.

TV 광고를 만들면 모든 시청자가 똑같은 광고를 봤습니다. 네이버에서 검색하면 모든 사람이 같은 결과를 봤습니다. 회사가 "우리 차는 넓고 빨라요"라고 하면, 소비자도 그렇게 들었습니다.

이제는 다릅니다.

소비자가 AI한테 "이 차 어때?"라고 물으면요. AI가 회사 말과 다른 답을 할 수 있습니다.

"넓긴 한데 충전은 경쟁사랑 비슷해요."

"디자인은 호불호가 갈려요."

"좋긴 한데 AS 센터가 적어요."

회사가 보낸 메시지와 소비자가 받는 메시지가 달라질 수 있습니다.

왜 이게 문제일까요?

TV나 검색 엔진은 회사 말을 그대로 전달하거나, 아예 안 보여주거나 둘 중 하나였습니다.

AI는 다릅니다. 회사 말을 받아서 자기 방식으로 바꿔서 전달합니다. 소비자가 어떻게 물어보느냐에 따라 같은 정보가 다르게 전달됩니다.

그러면 어떻게 해야 할까

두 가지 방법이 있습니다.

첫째, AI가 찾기 쉽게 정보를 정리해둡니다.

AI는 인터넷에 있는 정보를 찾아서 답합니다. 회사 홈페이지, 뉴스 기사, 공식 자료를 참고합니다.

그러면 AI가 봤을 때 우리한테 유리한 정보가 잘 보이게 정리해둬야 합니다. 광고 문구 말고, 사실에 기반한 구체적인 정보요.

둘째, 소비자가 질문하는 방식을 먼저 알려줍니다.

"이 차 좋아?"라고 막연하게 물으면 AI가 아무 답이나 합니다.

"출퇴근 거리가 먼 직장인한테 이 차가 맞아?"라고 구체적으로 물으면 AI가 그 기준으로 답합니다.

회사가 먼저 "전기차 고를 때는 실내 공간을 보세요"라고 알려주면요. 소비자도 AI한테 그렇게 물어볼 가능성이 높아집니다. 실내 공간이 넓은 차가 유리한 답을 받겠죠.

결국 사람의 판단력이 중요해집니다

AI가 분석을 많이 해줄 수 있습니다. 그런데 그중에서 뭐가 맞는지 고르는 건 사람 몫입니다.

AI가 열 개의 그럴듯한 분석을 내놨습니다. 어떤 게 진짜일까요? 이걸 가려내는 건 AI가 못 합니다.

경험, 감각, 맥락을 읽는 능력이 필요합니다. AI가 정보 처리를 잘하면 잘할수록, 사람은 정보 판단을 잘해야 합니다.

앞으로는 이게 실력 차이를 만들 겁니다.

핵심 질문

소비자가 AI한테 우리 브랜드를 물어보면 뭐라고 답할까요?

그게 우리가 원하는 답인가요?

이 질문에 답 못 하면, 이미 불리한 위치에 서 있는 겁니다.